论文部分内容阅读
摘 要：本文以辽宁省抚顺市冬季采暖期的空气质量数据作为研究数据，利用泰森多边形集合完成该城市各区域的大气污染物浓度范围划分，并利用单箱模型进行SO2、NOx与CO三种大气污染物排放源强的估算。研究结果表明，采用该模型可快速有效确定重污染天气下的各污染物排放源强，相对中值误差小于15%。
关键词：重污染天气;泰森多边形;单箱模型;源强估算
引言：
以往主要借助排放因子法进行大气污染排放源强的估算，但在排放源类别、排放清单等方面存在一定局限，无法实现对偷排、多排问题的有效遏制。通过利用泰森多边形与单箱模型进行大气污染排放源强的估算，能够有效计算出特定时段范围内的大气污染物排放数据，为城市大气污染排放管控工作提供重要工具。
1数据来源与研究方法
1.1数据来源
选取辽宁省抚顺市生态环境监测中心提供的大气污染物浓度数据作为研究数据，从AQI中国微信公众平台与天地图软件中分别获取到气象数据与地理信息数据。本文以辽宁省抚顺市市区作为研究区域，分别在沈抚新城、望花区、顺城区、东洲区、新抚区与大伙房水库共6个分区设置大气监测点，研究时间为2018年11月-2019年2月。
1.2研究方法
1.2.1建立泰森多边形集合
泰森多边形主要利用离散雨量点进行雨量均值的计算，选定某一雨量点，将其与相邻雨量点连接成为三角形，分别作出三边垂线，构建出以离散雨量点为核心的多边形，利用该多边形内部的唯一雨量观测点的降水数据即可表示出多边形范围内的降雨量数值。在此基础上引入行人密度算法与居民点空间分布特征，选取抚顺市区域范围内的某一大气监测点作为离散雨量点，将其与相邻监测点连成三角形，再通过作三边垂线构建多边形，即可形成抚顺市的泰森多边形集合。该集合内的各多边形均与6个大气监测点保持一一对应关系，各监测点的大气污染物监测浓度即多边形范围内的大气污染物浓度数值，通过计算出各多边形的排放源强进行汇总，即可实现对抚顺市冬季采暖期的大气污染物排放总源强的估算[1]。
1.2.2研究时段选取
通过分析抚顺市2018年11月至2019年2月期间的气象数据可以发现，该城市冬季的平均风速较小、降水量较低，冬季取暖期长、逆温出现频率较高，因此大气污染物浓度数值的變化具有显著的时间性特征，11-12月污染扩散较难、1-2月污染扩散稍易，且24h内的污染严重度排序依次为晚间、上午、下午及次日清晨。以2018年11月为例，首先，由于该月的相对湿度较高、风力与风速较小，地面气压场较弱，由此形成了大雾;其次，由于大气处于相对稳定状态、相对湿度较低，无法使空气中的污染物得到有效扩散，并且由于月初出现温度回暖现象，导致产生逆温天气，由此使大雾转变为雾霾;最后，在月中冷空气的入侵导致该市上空原有的逆温层被打破，风速的增大改变了大气层的稳定状态，使污染颗粒物得以快速流动、扩散，由此结束了雾霾天气、空气质量得到明显改善。
1.2.3建立单箱模型
选取2018年11月2日15时-20时作为研究时段，分别汇总该时段内的SO2、NOx与CO三类污染物的质量浓度数据，建立污染物质量浓度与时间的变化关系，构建单箱模型，用于实现对大气污染排放源强的快速估算。在忽视污染物衰减的条件下，将单箱模型内的污染物浓度设为C，箱长、宽、高分别为l、b和h，将初始状态下污染物本底浓度设为C0，污染源强Q为定值，风速平均值设为u、时间坐标设为t，则箱内污染物浓度模型为：
在考虑到静风天气、平均风速等条件的影响下，假设箱内污染的主要成因为区域内的污染源排放，则忽略污染物本底浓度，可推导出源强计算公式为：
1.2.4运用迭代法
运用迭代法进行单箱模型参数的估计，采用Matlab软件中的曲线拟合工具箱进行单变量曲线拟合，获取到模型参数的估算数值。
2研究结果与分析
2.1各监测点区域源强计算
选取2018年11月2日空气污染最严重时段进行6个监测点排放源强的计算，从中可以观察到沈抚新城的SO2、NOx与CO排放源强（单位为10-8t·m-2·d-1）分别为7.75、45.26、625.81，望花区的源强数值分别为23.87、41.12、596.69，顺城区的源强分别为6.89、10.62、228.80，东洲区的源强数值分别为12.37、24.42、438.75，新抚区的源强数值依次为14.55、74.52、712.12，大伙房水库的源强数值分别为5.06、11.31、643.34。从中可以看出，不同监测区域的大气污染排放源强存在一定的差异，通常靠近市中心区域的监测站点源强数值较大，与市中心距离较远的区域污染情况较轻。
2.2源强快速估算方法的验证
2.2.1源强快速估算方法的适用性
以沈抚新城为例，分别选取该监测站点5个重污染天气作为研究数据，将该5日的二氧化硫、氮氧化合物、一氧化碳等污染浓度数值输入到单箱模型中，结合单日气象条件数据分别进行风速与混合层高度的设计，利用空气污染最重时段的源强估算值与该5日的源强估算值进行比较，用于实现对源强快速估算方法计算精确度的检验，得出SO2、NOx与CO三种污染物在污染最重天气与污染较重天气间的中值误差分别为0.14、0.1和0.11，中值误差均小于0.15，由此可以证明该算法有效。在此基础上，选取辽宁省抚顺市生态环境监测中心在2016-2017年、2017-2018年的SO2、NOx源强估算结果进行比较，可以发现同比2016-2017年其SO2与NOx的中值误差分别为0.25和0.21，同比2017-2018年其SO2与NOx的中值误差分别为0.22和0.19。从中可以看出，该区域在2016-2018年期间冬季采暖期的二氧化硫浓度呈逐年下降趋势，这与当地政府的“绿色暖冬”、煤质定制化等行动存在一定关联;同时该市的氮氧化合物排放源强呈逐年增加的趋势，这与城市交通运输事业发展、汽车保有量增加存在一定关联[2]。总体来看，本文建立的源强快速估算方法的估算结果精确度较高，利用该估算方法计算大气污染物排放平均源强具备良好的可行性与适用价值。
2.2.2估算方法的不确定性因素
在验证算法精确度的基础上，需围绕数据缺失、数据失真等维度判断该估算方法涵盖的不确定性因素。以抚顺市2017-2018年冬季采暖期中沈抚新城监测站点的污染最严重天气时段为例，利用源强快速估算方法获取到SO2、NOx浓度的最优拟合结果，利用坐标系中与拟合曲线相邻的上下方真实数值创建拟合曲线，用于针对该估算方法的不确定性进行分析。通过观察分析结果可以发现，在最优拟合条件下SO2、NOx的排放源强分别为45.26、7.75，不确定性区间分别为[7.24，8.57]和[40.98，44.96]，总体来看其在总不确定性区间中占比较小，造成该估算模型不确定性的原因多与监测数据的不确定性有关。
结论：
本文以辽宁省抚顺市作为研究对象，建立起以SO2、NOx与CO为代表的大气污染物排放源强估算模型，并针对估算方法的精确度进行验证。检验结果表明，该估算方法的中值误差不超过0.15，由此证明该算法具备良好的适用性，可为抚顺市大气污染物排放源强的预测与生态环境整治工作提供重要参考价值。
参考文献：
[1]夏志勇，付华轩，吕晨，等.重污染天气期间济南市城区和清洁对照点PM_（2.5）及其组分污染特征[J].生态环境学报，2019，（5）：958-963.
[2]冯利红，赵岩，李建平，等.天津市大气重污染天气下细颗粒物中重金属污染特征及健康风险评估[J].中华疾病控制杂志，2018，（11）：22.
关键词：重污染天气;泰森多边形;单箱模型;源强估算
引言：
以往主要借助排放因子法进行大气污染排放源强的估算，但在排放源类别、排放清单等方面存在一定局限，无法实现对偷排、多排问题的有效遏制。通过利用泰森多边形与单箱模型进行大气污染排放源强的估算，能够有效计算出特定时段范围内的大气污染物排放数据，为城市大气污染排放管控工作提供重要工具。
1数据来源与研究方法
1.1数据来源
选取辽宁省抚顺市生态环境监测中心提供的大气污染物浓度数据作为研究数据，从AQI中国微信公众平台与天地图软件中分别获取到气象数据与地理信息数据。本文以辽宁省抚顺市市区作为研究区域，分别在沈抚新城、望花区、顺城区、东洲区、新抚区与大伙房水库共6个分区设置大气监测点，研究时间为2018年11月-2019年2月。
1.2研究方法
1.2.1建立泰森多边形集合
泰森多边形主要利用离散雨量点进行雨量均值的计算，选定某一雨量点，将其与相邻雨量点连接成为三角形，分别作出三边垂线，构建出以离散雨量点为核心的多边形，利用该多边形内部的唯一雨量观测点的降水数据即可表示出多边形范围内的降雨量数值。在此基础上引入行人密度算法与居民点空间分布特征，选取抚顺市区域范围内的某一大气监测点作为离散雨量点，将其与相邻监测点连成三角形，再通过作三边垂线构建多边形，即可形成抚顺市的泰森多边形集合。该集合内的各多边形均与6个大气监测点保持一一对应关系，各监测点的大气污染物监测浓度即多边形范围内的大气污染物浓度数值，通过计算出各多边形的排放源强进行汇总，即可实现对抚顺市冬季采暖期的大气污染物排放总源强的估算[1]。
1.2.2研究时段选取
通过分析抚顺市2018年11月至2019年2月期间的气象数据可以发现，该城市冬季的平均风速较小、降水量较低，冬季取暖期长、逆温出现频率较高，因此大气污染物浓度数值的變化具有显著的时间性特征，11-12月污染扩散较难、1-2月污染扩散稍易，且24h内的污染严重度排序依次为晚间、上午、下午及次日清晨。以2018年11月为例，首先，由于该月的相对湿度较高、风力与风速较小，地面气压场较弱，由此形成了大雾;其次，由于大气处于相对稳定状态、相对湿度较低，无法使空气中的污染物得到有效扩散，并且由于月初出现温度回暖现象，导致产生逆温天气，由此使大雾转变为雾霾;最后，在月中冷空气的入侵导致该市上空原有的逆温层被打破，风速的增大改变了大气层的稳定状态，使污染颗粒物得以快速流动、扩散，由此结束了雾霾天气、空气质量得到明显改善。
1.2.3建立单箱模型
选取2018年11月2日15时-20时作为研究时段，分别汇总该时段内的SO2、NOx与CO三类污染物的质量浓度数据，建立污染物质量浓度与时间的变化关系，构建单箱模型，用于实现对大气污染排放源强的快速估算。在忽视污染物衰减的条件下，将单箱模型内的污染物浓度设为C，箱长、宽、高分别为l、b和h，将初始状态下污染物本底浓度设为C0，污染源强Q为定值，风速平均值设为u、时间坐标设为t，则箱内污染物浓度模型为：
在考虑到静风天气、平均风速等条件的影响下，假设箱内污染的主要成因为区域内的污染源排放，则忽略污染物本底浓度，可推导出源强计算公式为：
1.2.4运用迭代法
运用迭代法进行单箱模型参数的估计，采用Matlab软件中的曲线拟合工具箱进行单变量曲线拟合，获取到模型参数的估算数值。
2研究结果与分析
2.1各监测点区域源强计算
选取2018年11月2日空气污染最严重时段进行6个监测点排放源强的计算，从中可以观察到沈抚新城的SO2、NOx与CO排放源强（单位为10-8t·m-2·d-1）分别为7.75、45.26、625.81，望花区的源强数值分别为23.87、41.12、596.69，顺城区的源强分别为6.89、10.62、228.80，东洲区的源强数值分别为12.37、24.42、438.75，新抚区的源强数值依次为14.55、74.52、712.12，大伙房水库的源强数值分别为5.06、11.31、643.34。从中可以看出，不同监测区域的大气污染排放源强存在一定的差异，通常靠近市中心区域的监测站点源强数值较大，与市中心距离较远的区域污染情况较轻。
2.2源强快速估算方法的验证
2.2.1源强快速估算方法的适用性
以沈抚新城为例，分别选取该监测站点5个重污染天气作为研究数据，将该5日的二氧化硫、氮氧化合物、一氧化碳等污染浓度数值输入到单箱模型中，结合单日气象条件数据分别进行风速与混合层高度的设计，利用空气污染最重时段的源强估算值与该5日的源强估算值进行比较，用于实现对源强快速估算方法计算精确度的检验，得出SO2、NOx与CO三种污染物在污染最重天气与污染较重天气间的中值误差分别为0.14、0.1和0.11，中值误差均小于0.15，由此可以证明该算法有效。在此基础上，选取辽宁省抚顺市生态环境监测中心在2016-2017年、2017-2018年的SO2、NOx源强估算结果进行比较，可以发现同比2016-2017年其SO2与NOx的中值误差分别为0.25和0.21，同比2017-2018年其SO2与NOx的中值误差分别为0.22和0.19。从中可以看出，该区域在2016-2018年期间冬季采暖期的二氧化硫浓度呈逐年下降趋势，这与当地政府的“绿色暖冬”、煤质定制化等行动存在一定关联;同时该市的氮氧化合物排放源强呈逐年增加的趋势，这与城市交通运输事业发展、汽车保有量增加存在一定关联[2]。总体来看，本文建立的源强快速估算方法的估算结果精确度较高，利用该估算方法计算大气污染物排放平均源强具备良好的可行性与适用价值。
2.2.2估算方法的不确定性因素
在验证算法精确度的基础上，需围绕数据缺失、数据失真等维度判断该估算方法涵盖的不确定性因素。以抚顺市2017-2018年冬季采暖期中沈抚新城监测站点的污染最严重天气时段为例，利用源强快速估算方法获取到SO2、NOx浓度的最优拟合结果，利用坐标系中与拟合曲线相邻的上下方真实数值创建拟合曲线，用于针对该估算方法的不确定性进行分析。通过观察分析结果可以发现，在最优拟合条件下SO2、NOx的排放源强分别为45.26、7.75，不确定性区间分别为[7.24，8.57]和[40.98，44.96]，总体来看其在总不确定性区间中占比较小，造成该估算模型不确定性的原因多与监测数据的不确定性有关。
结论：
本文以辽宁省抚顺市作为研究对象，建立起以SO2、NOx与CO为代表的大气污染物排放源强估算模型，并针对估算方法的精确度进行验证。检验结果表明，该估算方法的中值误差不超过0.15，由此证明该算法具备良好的适用性，可为抚顺市大气污染物排放源强的预测与生态环境整治工作提供重要参考价值。
参考文献：
[1]夏志勇，付华轩，吕晨，等.重污染天气期间济南市城区和清洁对照点PM_（2.5）及其组分污染特征[J].生态环境学报，2019，（5）：958-963.
[2]冯利红，赵岩，李建平，等.天津市大气重污染天气下细颗粒物中重金属污染特征及健康风险评估[J].中华疾病控制杂志，2018，（11）：22.